Si ya trabajas con Kimi, el lanzamiento de Kimi K3 el 16 de julio de 2026 plantea una decisión práctica: ¿deberías migrar desde Kimi K2.7 Code o mantener un modelo especializado que ya funciona en tus agentes y pipelines de CI? K2.7 Code está orientado a tareas de desarrollo; K3 es el nuevo buque insignia generalista de Moonshot, con una arquitectura distinta y una ventana de contexto de 1 millón de tokens. Esta guía se centra en qué cambió, cuándo importa y cómo validar la migración con tus propios prompts.
No somos neutrales: escribimos guías de ambos modelos. La recomendación práctica es no cambiar producción basándote solo en benchmarks. Como ambos modelos exponen una API compatible con OpenAI, puedes ejecutar la misma solicitud con kimi-k3 y kimi-k2-7-code en Apidog, comparar calidad, latencia y consumo de tokens, y decidir con datos.
TL;DR: decisión rápida
- K3 es más grande y generalista. Es un modelo MoE de 2.8 billones de parámetros totales, frente a la clase aproximada de ~1 billón de la línea K2. K2.7 Code es un especialista de código; K3 es un modelo generalista que también apunta a codificación agéntica de largo alcance.
- El contexto llega a 1,048,576 tokens. Este es el cambio más relevante si trabajas con repositorios grandes, pruebas y logs extensos.
- La arquitectura cambió. K3 incorpora Kimi Delta Attention, Attention Residuals y Stable LatentMoE, con 16 de 896 expertos activos por token.
- El precio de lista es de buque insignia. $0.30/M tokens de entrada con acierto de caché, $3/M sin caché y $15/M tokens de salida.
- No es el líder absoluto. Moonshot indica que K3 sigue por detrás de Claude Fable 5 y GPT-5.6 Sol en términos generales.
- Migra a K3 si necesitas más contexto, razonamiento general o agentes de largo alcance. Mantente en K2.7 Code si tus tareas son de código acotadas y ya cumplen tu nivel de calidad y coste.
K2.7 Code y K3 no resuelven exactamente el mismo problema
Antes de comparar números, diferencia el posicionamiento de cada modelo.
Kimi K2.7 Code pertenece a la línea K2 y está enfocado en codificación: generación, edición y tareas de desarrollo mediante agentes. Si tu carga de trabajo es principalmente “escribir, modificar y corregir código mediante una API”, es una opción especializada.
Para revisar parámetros, contexto y precios específicos de K2.7 Code, consulta qué es Kimi K2.7 Code.
K3 no es simplemente una nueva versión de codificación. Es el nuevo modelo generalista insignia de Moonshot. La codificación es una capacidad importante, pero forma parte de un conjunto más amplio que incluye razonamiento y tareas agénticas de larga duración.
En otras palabras: no estás comparando “un codificador viejo” frente a “un codificador nuevo”, sino un especialista frente a un generalista potente que también escribe código.
Qué cambió de K2.7 Code a K3
Escala: aproximadamente el triple de parámetros totales
K3 es un modelo de mezcla de expertos con 2.8 billones de parámetros totales. La línea K2 de la que proviene K2.7 Code se situaba en la clase de ~1 billón de parámetros.
Hay una precisión importante: Moonshot no publicó el número de parámetros activos de K3. En un modelo MoE, solo una parte de los expertos se activa por token, por lo que no debes interpretar “2.8 billones” como “2.8 billones de parámetros ejecutados en cada solicitud”.
Lo que sí se conoce es el patrón de activación: 16 de 896 expertos activos por token.
Arquitectura: no es solo una ampliación
K3 incluye tres componentes principales:
- Kimi Delta Attention: un mecanismo de atención lineal híbrido. La atención lineal escala mejor con secuencias largas que la atención cuadrática estándar.
- Attention Residuals: un reemplazo de las conexiones residuales estándar, según Moonshot.
- Stable LatentMoE: el framework MoE que activa 16 de 896 expertos por token.
Moonshot reporta una mejora de aproximadamente 2.5x en eficiencia de escalado frente a Kimi K2. La diferencia, por tanto, no es solo tener más parámetros: K3 fue construido con un diseño distinto para escalar capacidad y contexto.
Contexto: hasta 1 millón de tokens
K3 soporta una ventana de contexto de 1,048,576 tokens.
Para desarrollo, esto cambia el tipo de tareas que puedes probar:
- Incluir una porción mucho mayor de un monorepo.
- Enviar código, pruebas y logs en una misma conversación.
- Mantener más estado en ejecuciones agénticas largas.
- Reducir la necesidad de resumir o recortar contexto antes de cada llamada.
Si K2.7 Code ya alcanza límites de contexto en refactorizaciones, análisis de servicios completos o trabajos sobre repositorios grandes, este puede ser el principal motivo para probar K3.
Posicionamiento: de especialista a modelo insignia
K2.7 Code fue diseñado para codificación. K3 está diseñado como un modelo generalista de mayor capacidad, con soporte fuerte para codificación agéntica de largo alcance.
Moonshot menciona ejecuciones autónomas en problemas complejos de varios pasos, incluida una ejecución de 48 horas en una tarea de diseño de chips. No asumas que ese resultado se traduce automáticamente a tu producto: conviértelo en una hipótesis de prueba.
La pregunta operativa es:
¿Tu agente necesita mantener estado, usar herramientas y trabajar durante muchos pasos sobre un contexto amplio?
Si la respuesta es sí, K3 tiene una ventaja estructural que vale la pena evaluar.
Precio: la caché determina el coste real
El precio listado de K3 es:
| Tipo de token | Precio por millón |
|---|---|
| Entrada con acierto de caché | $0.30 |
| Entrada con fallo de caché | $3.00 |
| Salida | $15.00 |
La diferencia de 10x entre entrada con caché y sin caché es relevante.
Si reutilizas repetidamente:
- un prompt de sistema grande,
- instrucciones de herramientas,
- contexto compartido del repositorio,
tu coste de entrada puede acercarse al precio con caché. Si haces llamadas únicas con contexto nuevo, pagarás el precio de entrada sin caché.
Consulta la guía de precios de Kimi K3 para revisar el cálculo de caché y confirma los precios actuales de K2.7 Code antes de concluir que K3 siempre será más caro por tarea.
Kimi K3 vs. Kimi K2.7 Code
| Dimensión | Kimi K2.7 Code | Kimi K3 |
|---|---|---|
| Posicionamiento | Versión centrada en codificación de la línea K2 | Modelo generalista insignia, fuerte en codificación agéntica |
| Generación | Linaje K2 | Nueva generación K3 |
| Parámetros totales | Clase ~1 billón en la línea K2 | 2.8 billones totales, MoE |
| Parámetros activos | Consultar documentación de K2.7 Code | No publicados; 16 de 896 expertos activos |
| Diseño de atención | Atención de generación K2 | Kimi Delta Attention + Attention Residuals |
| Framework MoE | MoE de generación K2 | Stable LatentMoE |
| Ventana de contexto | Consultar documentación de K2.7 Code | 1,048,576 tokens |
| ID del modelo | kimi-k2-7-code |
kimi-k3 |
| Compatibilidad API | Compatible con OpenAI SDK | Compatible con OpenAI SDK |
| Precio listado | Consultar documentación de K2.7 Code | $0.30/$3 de entrada y $15 de salida por millón |
| Pesos abiertos | Consultar cobertura de K2.7 Code | Esperados alrededor del 27 de julio de 2026 |
| Mejor ajuste | Código acotado con coste conocido | Trabajo general y código de contexto amplio |
No inventes valores de K2.7 Code donde necesitas precisión. Usa qué es Kimi K2.7 Code y la guía de API de Kimi K2.7 Code como referencia para especificaciones verificables.
Dónde se sitúa K3 frente a los modelos de frontera
No interpretes “buque insignia de 2.8 billones” como “mejor modelo disponible”.
El propio blog de lanzamiento de Moonshot indica que K3 sigue por detrás de Claude Fable 5 y GPT-5.6 Sol en términos generales. Es competitivo en determinados benchmarks y superior en algunos, pero no reclama el primer puesto global.
Artificial Analysis clasifica K3 con un Índice de Inteligencia de 57, en el puesto 4 de 189 modelos, y reporta una salida de aproximadamente 62 tokens por segundo.
En los benchmarks publicados por Moonshot:
- DeepSWE: K3 obtiene 67.5 frente a 70.0 de Fable 5.
- Terminal-Bench 2.1: K3 obtiene 88.3 frente a 84.6 de Fable 5.
El resultado es mixto: K3 gana en algunas pruebas y pierde en otras. Para un modelo de pesos abiertos, es una señal fuerte; no es una razón para sobreprometer.
Revisa las afirmaciones originales en la publicación oficial de Kimi K3 y compáralas con este análisis de benchmarks de Kimi K3.
Cuándo migrar a K3
Migra si se cumple una o varias de estas condiciones.
1. Alcanzas límites de contexto
Si K2.7 Code trunca contenido o requiere demasiada recuperación y resumen para:
- repositorios grandes,
- refactorizaciones multiarchivo,
- logs extensos,
- transcripciones largas de agentes,
la ventana de 1 millón de tokens de K3 es el motivo más claro para cambiar.
2. Tu agente ejecuta tareas largas y de varios pasos
K3 está orientado a tareas que mantienen estado y usan herramientas durante muchas iteraciones.
Úsalo como candidato de prueba si tu agente:
- pierde contexto entre pasos,
- repite trabajo,
- falla al coordinar cambios entre muchos archivos,
- necesita combinar planificación, análisis y ejecución.
3. Necesitas razonamiento general además de código
Si tu flujo mezcla código con análisis, planificación, documentación o decisiones operativas, un modelo especializado en código puede no ser la mejor herramienta para cada etapa.
4. Tienes una tasa alta de aciertos de caché
K3 resulta más atractivo si reutilizas prompts grandes y contexto estable entre llamadas. La entrada con caché a $0.30/M puede reducir de forma considerable el coste efectivo.
Cuándo mantener K2.7 Code
Mantente en K2.7 Code si estas condiciones describen mejor tu caso.
1. Tus tareas son de código acotadas y ya cumplen el objetivo
Para un bot de CI, generación de pruebas o correcciones puntuales, un modelo más grande no siempre produce suficiente mejora para justificar el coste.
“Cumple el nivel y cuesta menos” es una decisión válida.
2. Haces llamadas únicas con poco reúso de caché
Las llamadas con contexto nuevo pagan $3/M de entrada sin caché y $15/M de salida en K3. Si no puedes reutilizar contexto, evalúa el coste real por tarea antes de migrar.
3. La latencia importa más que la máxima capacidad
Artificial Analysis reporta aproximadamente 62 tokens por segundo para K3. Si tu aplicación es interactiva o depende de respuestas rápidas, mide la experiencia real antes de asumir que el modelo más grande será mejor.
4. Tu plan depende de pesos abiertos y autoalojamiento
Moonshot indicó que los pesos de K3 se esperaban alrededor del 27 de julio de 2026. Verifica su disponibilidad real en la página de Moonshot en Hugging Face antes de diseñar una estrategia de autoalojamiento.
Escenarios prácticos
Bot de corrección de código en CI para un repositorio mediano
Si K2.7 Code ya pasa pruebas, produce cambios correctos y mantiene un coste razonable, probablemente no necesitas K3.
Mantén K2.7 Code y revisa la decisión si aumentan los fallos, el repositorio crece o necesitas procesar más contexto por ejecución.
Agente autónomo de refactorización para un monorepo
Este es un caso más favorable para K3:
- Puedes incluir más código, pruebas y logs.
- El agente puede mantener más contexto entre pasos.
- La tarea combina navegación, planificación, edición y validación.
En este escenario, una prueba A/B con tareas reales está justificada.
Para implementar una integración, consulta la guía de codificación con Kimi K3 y la guía de API de Kimi K3. Si todavía trabajas con la línea anterior, el explicador de K2.6 ayuda a entender el linaje.
Cómo ejecutar una prueba A/B antes de migrar
No cambies el modelo en producción sin comparar solicitudes equivalentes.
Como ambos modelos son compatibles con el SDK de OpenAI, puedes usar el mismo cliente y cambiar únicamente el ID del modelo.
from openai import OpenAI
client = OpenAI(
api_key="TU_MOONSHOT_API_KEY",
base_url="https://api.moonshot.ai/v1"
)
messages = [
{
"role": "system",
"content": "Eres un asistente de ingeniería. Propón cambios mínimos y explica los riesgos."
},
{
"role": "user",
"content": "Analiza este error de CI y propone un parche con pruebas."
}
]
def run_model(model: str):
return client.chat.completions.create(
model=model,
messages=messages,
temperature=0.2
)
k2_result = run_model("kimi-k2-7-code")
k3_result = run_model("kimi-k3")
print("K2.7 Code:")
print(k2_result.choices[0].message.content)
print("\nK3:")
print(k3_result.choices[0].message.content)
Mantén constantes estos elementos:
- Prompt de sistema.
- Mensaje de usuario.
- Temperatura.
- Herramientas disponibles.
- Archivos o contexto enviado.
- Criterios de evaluación.
Después compara tres métricas.
1. Calidad de salida
Evalúa con los criterios que ya usas en producción:
- ¿El parche compila?
- ¿Pasan las pruebas?
- ¿Modifica solo los archivos necesarios?
- ¿Respeta convenciones del repositorio?
- ¿El agente completa la tarea sin intervención adicional?
Evita decidir por intuición después de una única respuesta.
2. Latencia
Mide el tiempo hasta el primer token y el tiempo total de respuesta. Esto es especialmente importante en experiencias interactivas o ejecuciones con muchas llamadas secuenciales.
3. Consumo y coste de tokens
Registra:
- tokens de entrada,
- tokens de salida,
- aciertos y fallos de caché,
- número de iteraciones por tarea,
- coste total por tarea completada.
La métrica importante no es solo el precio por millón de tokens: es el coste de completar correctamente una tarea.
Apidog puede simplificar esta comparación. Guarda ambas solicitudes en el mismo proyecto, define el modelo como una variable de entorno, duplica la petición y cambia solo el ID del modelo. Así podrás inspeccionar respuestas en streaming, cargas útiles de herramientas y uso de tokens sin crear un arnés temporal.
Puedes empezar desde Descarga Apidog. Si trabajas desde el editor, Apidog dentro de VS Code permite mantener estas pruebas junto al código.
Conclusión
K3 representa un salto generacional real frente a K2.7 Code:
- Aproximadamente triplica los parámetros totales hasta 2.8 billones.
- Introduce Kimi Delta Attention, Attention Residuals y Stable LatentMoE.
- Amplía el contexto a 1 millón de tokens.
- Cambia el enfoque de especialista de código a modelo generalista insignia.
Pero la migración no es automática. K3 tiene precios de buque insignia y, según Moonshot, sigue por detrás de Claude Fable 5 y GPT-5.6 Sol en términos generales.
Elige K3 si necesitas contexto masivo, razonamiento general o agentes de largo alcance. Mantente en K2.7 Code si ya supera tu nivel de calidad para tareas de código específicas y su coste encaja mejor con tu producto.
La decisión correcta es ejecutar ambos modelos sobre tus prompts, medir calidad, latencia y coste por tarea completada, y dejar que esos datos guíen la migración.
Preguntas frecuentes
¿Cuál es mejor para codificar?
K2.7 Code fue ajustado específicamente para codificación y puede ser una opción rentable para tareas concretas. K3 es un generalista insignia con una ventana de contexto mucho mayor y soporte fuerte para codificación agéntica de largo alcance.
Para agentes que trabajan en repositorios grandes y resuelven tareas de varios pasos, K3 tiene ventaja estructural. Para tareas de código específicas que K2.7 Code ya resuelve bien, K2.7 Code puede seguir siendo la mejor inversión.
¿Kimi K3 es más caro que K2.7 Code?
K3 lista $0.30/M de entrada con acierto de caché, $3/M sin caché y $15/M de salida. El coste por tarea depende de tu tasa de aciertos de caché, del tamaño del contexto y de la longitud de las respuestas.
Como ambos modelos son compatibles con el SDK de OpenAI, puedes comparar el coste real cambiando principalmente el ID del modelo y ejecutando los mismos prompts.
¿Kimi K3 es de código abierto?
No el día del lanzamiento. Moonshot indicó que los pesos completos se esperaban alrededor del 27 de julio de 2026. Hasta que estén disponibles, K3 se ofrece mediante API y aplicación.
No bases un plan de autoalojamiento en una fecha prevista: verifica la publicación real de los pesos.
¿K3 es mejor que Claude Fable 5 o GPT-5.6 Sol?
Según el blog de Moonshot, no en términos generales. K3 es competitivo o superior en determinados benchmarks, pero no se presenta como líder absoluto de la frontera.
Artificial Analysis lo sitúa con un Índice de Inteligencia de 57, en el puesto 4 de 189 modelos. Es un contendiente fuerte de pesos abiertos, no el mejor modelo absoluto en todas las tareas.
Top comments (0)